Andmeanalüüs Python ja SQL põhjal
Teave sellel koolitusel toimuva õppe kohta.
Koolituse eesmärk: anda andmeanalüütiku praktilised oskused — andmete kogumine ja struktureerimine, mustrite tuvastamine, hüpoteeside kontrollimine ning raportite, prognooside ja soovituste koostamine — Pythoni ja SQL-i abil.
Õpe toimub Tallinna kesklinnas (Tartu mnt 18) ja/või online. Kõik õppematerjalid on hinna sees. Vajadusel antakse õppeperioodiks sülearvuti.
NB! Käesolev koolitus toimub ainult inglise keeles (õppematerjalid ja suhtlus on inglise keeles).
Sellele koolitusele on saadaval erinevad rahastusvõimalused, sealhulgas riikliku toetuse ja mittetulundusühingute programmid. Täpsema info saamiseks võtke ühendust meie konsultandiga.
Sihtgrupp:
Koolitus sobib teile, kui te:
- olete andmetega töötav spetsialist (info kogumine, töötlemine ja analüüs) ja soovite oma oskusi süstematiseerida;
- olete analüütik, majandusteadlane või turundaja ja soovite langetada otsuseid andmete, mitte intuitsiooni põhjal;
- olete arendaja või IT-spetsialist ja soovite lisada oma tööriistakomplekti andmeanalüüsi;
- vahetate karjääri ja soovite siseneda andmeanalüütiku ametisse nullist;
- plaanite jätkata Data Science'i ja masinõppe suunas ning vajate tugevat alust Pythonis, SQL-is ja statistikas.
Mida sellel koolitusel õpite:
Hallake versioone Gitiga
Kirjutage andmepäringuid SQL-is
Hallake andmeid MySQL-is
Mõistke relatsiooniliste andmebaaside põhimõtteid
Arendage andmeanalüüsi oskusi Pythonis
Kasutage Pythoni pakette PyPI-st
Töödelge tabelandmeid Pandasega
Arvutage massiividel NumPyga
Joonistage graafikuid Matplotlibiga
Visualiseerige statistikat Seaborniga
Looge interaktiivseid graafikuid Plotlys
Tutvuge andmete visualiseerimisega Bokehis
Töötage Jupyter Notebookis
Käivitage märkmikke Google Colabis
Ehitage andmerakendusi Streamlitiga
Ühenduge andmebaasidega ORM SQLAlchemy kaudu
Avaldage raporteid ja dashboard'e Datapane'isEeldused:
- keskharidus
- kindel arvutikasutaja
- inglise keele oskus koolituse jälgimiseks (umbes B1) — koolitus toimub inglise keeles
- soovitatav on tõenäosusteooria ja matemaatilise statistika alusteadmiste olemasolu
- soovitatav on isiklik sülearvuti (Windows); vajadusel antakse õppeperioodiks arvuti.
Õpiväljundid:
Koolituse tulemusena osaleja:
- valmistab andmed analüüsiks ette Pythoni ja SQL-i abil;
- struktureerib teavet;
- sõnastab hüpoteese ja kontrollib neid matemaatilise statistika meetoditega;
- koostab esmaste soovitustega raporteid, kasutades kaasaegseid visualiseerimistööriistu;
- on omandanud aluse edasiliikumiseks Data Science'i ja masinõppe suunas.
Õppemeetodid:
Loengud, praktilised tööd, seminarid, demonstratsioon, iseseisev töö.
Koolituse maht on 180 akadeemilist tundi, millest 94 akadeemilist tundi on auditoorne kontaktõpe (loengud ja praktilised tööd) ja 86 akadeemilist tundi iseseisev töö.
Õpitulemuste hindamiskriteeriumid:
Õpitulemusi hinnatakse iseseisvalt tehtud praktiliste tööde alusel.
Hindamismeetodid:
Edukalt sooritatud praktilised ja kodutööd saavad hindeks „arvestatud“.
Koolituse lõpetamise tingimused:
Koolituse edukaks lõpetamiseks ja tunnistuse saamiseks on vajalik saada hinne „arvestatud“ praktiliste tööde eest. Osalejatele, kes õpiväljundeid ei saavutanud, väljastatakse soovi korral tõend koolitusel osalemise kohta.
Lisainformatsioon:
Õppekavarühm: 0612 - Andmebaaside ja võrgu disaini ning halduse õppekavarühm
Õppekorralduse alused
Õppekvaliteedi tagamise alused
Programm
| Moodul | Mooduli põhiteemad | Maht |
| Sissejuhatus andmeanalüüsi | Kaasaegsed ülesanded, mida andmeanalüüs lahendab. Andmeanalüüsi põhimõisted. Arv- ja kategooriaandmed. Andmeanalüüsi tööriistade lühiülevaade. | 4 ak. t |
| Sissejuhatus Pythoni ja Jupyteri keskkonda | Pythoni interpretaator. IDE. Paketihaldur PIP. iPythoni ja Jupyteri keskkonna paigaldamine. Jupyter Labi alused: lahtritüübid, navigeerimine, kiirklahvid, laienduste paigaldamine. Tutvumine Google Colabiga. | 4 ak. t |
| Kollektsioonid Pythonis | Andmetüüpide järjend (list), ennik (tuple), hulk (set) ja sõnastik (dict) tutvustus ja põhioperatsioonid. | 8 ak. t |
| Juhtimiskonstruktsioonid Pythonis | Loogiliste tingimuste koostamine. Tsüklid. Praktiline töö. | 4 ak. t |
| Sissejuhatus VCS/Giti | Registreerumine GitHubis. Oma repositooriumi loomine. Giti tööpõhimõte. | 2 ak. t |
| Praktiline osa | 2 ak. t | |
| Sissejuhatus NumPy moodulisse | Ühe- ja mitmemõõtmeliste massiivide mõiste, operatsioonid massiividega, andmetüüpide muutmine massiivides, mälumahu ja operatsiooni kiiruse määramine ning NumPy mooduli võimaluste üldülevaade. | 4 ak. t |
| Tõenäosus ja kombinatoorika | Teoreetiline ja eksperimentaalne tõenäosus. Tõenäosusjaotus. Bayesi teoreem. Kombinatsioonid ja permutatsioonid. Moodul NumPy.random eksperimentide läbiviimiseks. Praktiline töö. | 4 ak. t |
| Tutvumine Pandase mooduliga | DataFrame'i ja Series'i mõisted. Indekseerimine. Andmestike manipuleerimine. Grupeerimine. Statistiliste andmete saamine. Andmestike ühendamine. Uute veergude loomine. | 10 ak. t |
| Statistika põhimõisted | Gaussi jaotus. Hüpoteeside püstitamine ja kontrollimine. Korrelatsioon. Võõrväärtuste määramine. Põhilised graafikutüübid. | 6 ak. t |
| Andmete visualiseerimine | Moodulite Matplotlib, Seaborn, Plotly ja Bokeh ülevaade. Graafikute joonistamine: Bar Chart, Histogram, Boxplot, Scatter Plot jt. Praktiline töö. | 12 ak. t |
| Praktiline osa | 2 ak. t | |
| Päringukeel SQL ja andmebaasisüsteem MySQL | MySQL-serveri paigaldamine ja seadistamine. Andmebaaside ja tabelite loomine. Andmetüübid. Relatsiooniliste andmebaaside mõiste. Põhipäringute kirjutamine SQL-is. | 8 ak. t |
| Praktiline osa | SQL-i kasutamise praktika. | 2 ak. t |
| Töö Pandases eri andmeallikatega | Andmete laadimine vormingutest csv, json, xlsx, xml, pdf jt. Andmestiku laadimine MySQL-i andmebaasist. Skripti kirjutamine API-päringute tegemiseks. Andmestiku salvestamine eri vormingutesse. Praktiline töö. | 8 ak. t |
| Andmete puhastamine | Puuduvate andmete leidmine soojuskaardi abil ja puuduvate väärtuste asendamine. Töö võõrväärtustega. Duplikaatide leidmine ja eemaldamine. Tunnuste asjakohasuse määramine. Andmete viimine ühtsesse vormingusse. Praktiline töö. | 8 ak. t |
| Raportite koostamine | Analüütik kui lüli IT ja äri vahel. Konkreetsete ärisoovitustega raportite koostamise täistsükkel. Praktiline töö. | 6 ak. t |
Teave koolituse kohta
Toimumisaeg:21.09.2026 - 16.12.2026
28.09.2026 - 15.12.2026
05.10.2026 - 22.12.2026
Tähelepanu! Käesolev koolitus toimub ainult inglise keeles.
Registreeru koolitusele →Vastame 1 tööpäeva jooksul
Koolituse kestus: 12 nädalat
Õppeformaat ja toimumiskoht:
Aadress: Tartu mnt 18, Tallinn / Online.
Koolitus toimub auditoorses formaadis (ja/või online Zoomi kaudu) kaasaegses arvutiklassis. Rühma suurus on kuni 8 inimest.
Õppekeel: inglise
Maksumus: 2400 EUR (KM 24% sisaldub)
Koolituse maht: 180 ak. t (94 auditoorset + 86 iseseisvat)
Formaat: loengud + praktilised tööd + iseseisev töö.
Õppejõud
Maksim Kolodijev
Kvalifikatsioon: üle 15 aasta tarkvaraarenduses; üle 8 aasta tarkvara testimises.Spetsialiseerumine: tarkvaraarenduse protsessid, tarkvara testimine, testimise automatiseerimine, andmeanalüüs.
Õpetamiskogemus: üle 5 aasta õpetamis- ja nõustamiskogemust.
Haridus: TalTech, magistrikraad (2007).
Roman Kutselepa
Kvalifikatsioon: üle 5 aasta Python-arendust ja üle 3 aasta JavaScript-arendust; osalenud tarkvara integratsiooniprojektides.Spetsialiseerumine: Python-arendus, andmeanalüüs, veebiarendus, tarkvaralahenduste integreerimine.
Õpetamiskogemus: üle 5 aasta õpetamis- ja personalikoolituse kogemust.
Haridus: Anglia Ruskin University, kõrgharidus (2010).
Nikolay Zubrilov
Kvalifikatsioon: Python-arendaja ja Data Scientist kommertskogemusega andmeanalüüsis, data science'is ja AI/LLM-arenduses.Spetsialiseerumine: andmeanalüüs Pythonis (Pandas, NumPy, Scikit-Learn), andmete visualiseerimine, SQL / MySQL / PostgreSQL, masinõpe ja statistika.
Õpetamiskogemus: koolituse „Andmeanalüüs Python ja SQL põhjal“ õppejõud.
Haridus: Balti Kalalaevastiku Riiklik Akadeemia, inseneri bakalaureusekraad (2019).
Igor Eremenko
Kvalifikatsioon: üle 6 aasta andmeanalüütikas, ärianalüütikas (business intelligence) ja finantsaruandluses.Spetsialiseerumine: andmeanalüüs, SQL, Python (Pandas, NumPy), andmete visualiseerimine ja business intelligence (Power BI), andmete modelleerimine (dbt).
Õpetamiskogemus: andmeanalüütika õppejõud Gamma Intelligence'is alates 2025. aastast.
Haridus: Tartu Ülikool, MSc kvantitatiivses majandusteaduses (2021).